pyspark入门系列 - 02 pyspark.sql入口 SparkSession简介与实践

SparkSesson为使用Dataset和DataFrame API编程Spark的入口点。

SparkSesson对象可以创建DataFrame，将Dataframe注册为表，并在表上执行SQL、缓存表、读parquet文件等，通过下面的方式创建SparkSesson

from pyspark.sql import SparkSession

spark = SparkSession.builder.master('local').appName('Word-Count').config('"spark.some.config.option", "some-value"').getOrCreate()

• builder: 用于构建SparkSession实例
• master: 设置要连接的Spark主节点URL
• appName: 为应用设置一个名字，这个名字会显示在Spark Web UI
• config: 配置项，对于已经存在的SparkConf，可使用conf参数
  from pyspark.conf import SparkConf
  SparkSession.builder.config(conf=SparkConf())
• enableHiveSupport：启用Hive支持，包括与持久性Hive Metastore的连接，对Hive SerDes的支持以及Hive用户定义的功能。
• getOrCreate: 获取现有的SparkSession，或者如果不存在，则根据此构建器中设置的选项创建一个新的SparkSession。

属性

• catalog：用户可以通过其创建，删除，更改或查询基础数据库，表，函数的界面
• conf：Spark的运行时配置界面。 这是用户可用来获取和设置与Spark SQL相关的所有Spark和Hadoop配置的界面。 获取配置的值时，默认为在基础SparkContext中设置的值（如果有）。
• createDataFrame(data, schema=None, samplingRatio=None, verifySchema=True): 从rdd,列表，pandas.DataFrame创建DataFrame
  data: 数据,RDD, SQL data, list, 或者pandas.DataFrame
  schema: list类型

df = spark.createDataFrame(data=[[1,2], [3,4]], schema=['a', 'b'])

df1 = spark.createDataFrame(data=[{
     'a': [1,2], 'b': [3,4]}])
df1.show(2)

+------+------+
|     a|     b|
+------+------+
|[1, 2]|[3, 4]|
+------+------+

附上官方文档的连接：http://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.SparkSession
​